基于含噪负图像训练的密度离群点检测与开放集识别
计算机视觉与模式识别
2024-03-13 v3
摘要
深度卷积模型常对训练分布之外的输入给出不充分的预测。因此,检测离群图像的问题近来受到大量关注。与大多数先前工作不同,我们在密集预测背景下解决该问题,以便能够在分布内背景前定位离群物体。我们的方法基于两个合理假设。首先,我们假设分布内数据集与某个狭窄应用领域相关(例如~道路驾驶)。其次,我们假设存在一个比分布内数据集多样得多的通用数据集(例如~ImageNet-1k)。我们将通用数据集中的像素视为含噪负训练样本,因为其中大多数(但非全部)为离群点。我们通过将抖动的负图像块粘贴到分布内训练图像上,鼓励模型识别已知与未知之间的边界。我们的实验针对两个密集开放集识别基准(WildDash 1 和 Fishyscapes)以及一个密集开放集识别数据集(StreetHazard)。广泛的性能评估表明所提方法具有竞争性潜力。
引用
@article{arxiv.2101.09193,
title = {Dense outlier detection and open-set recognition based on training with noisy negative images},
author = {Petra Bevandić and Ivan Krešo and Marin Oršić and Siniša Šegvić},
journal= {arXiv preprint arXiv:2101.09193},
year = {2024}
}
备注
Published in Image and Vision Computing